CN103472445B - 一种针对多目标场景的检测跟踪一体化方法 - Google Patents

Abstract

本发明公开了一种针对多目标场景的检测跟踪一体化方法，属于雷达检测跟踪技术。本发明的方法是一种耦合了贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪方法，首先依据前一时刻JPDA跟踪滤波器的预测，计算得到当前时刻的各目标位置分布信息，继而贝叶斯检测器将该分布信息作为检测判决的先验信息，分别对各目标进行检测；最后利用JPDA跟踪滤波器对将检测所得的量测点迹与各目标进行数据关联，完成对各目标当前时刻的位置估计和航迹更新，并预测得到下一时刻各目标的位置分布信息。本发明能够应用于对邻近的多个目标的检测和跟踪，具有更高的性能和很好的实用性。

Description

一种针对多目标场景的检测跟踪一体化方法

技术领域

本发明属于雷达信号处理领域，具体涉及雷达检测跟踪技术。

背景技术

现役雷达对目标的跟踪一般采用先检测后跟踪体制(DBT)，即先进行单帧门限检测判决得到点迹数据，然后对这些过门限的点迹数据进行凝聚、关联、滤波等处理，最终形成目标航迹。在信噪比(SNR)较高的情况下，传统先检测后跟踪技术可以有效的实现对目标的检测跟踪，且具有运算量小，占用雷达系统资源少等优点。然而随着现代隐身技术的不断发展，目标雷达截面积(RCS)大幅减小，加之强杂波环境(城市，森林，山地等)的干扰，使得目标信噪比往往很低，这时传统先检测后跟踪技术的性能将会急剧恶化。

在传统先检测后跟踪体制中，检测与跟踪通常被看做两个独立的过程，并依据相互独立的准则优化各自的性能，然而作为一个系统的两个组成部分，检测与跟踪存在着必然的内在联系，传统的DBT对两者所做的割裂处理，势必造成了整个检测跟踪系统的性能损失。因此联合处理检测和跟踪过程，实现检测跟踪一体化具有重要的研究价值。

目前，国内外学者已经对检测跟踪一体化做了大量的研究。比如美国康涅狄格大学提出了一种耦合检测器与跟踪器的架构，将概率数据关联(PDA)跟踪滤波器预测的目标位置分布信息反馈给检测器，检测器将该反馈作为先验信息，继而利用贝叶斯准则进行检测判决，这样使得整个检测跟踪系统的数据流向是双向的，回波信息得到了更充分的利用，最终提高了检测和跟踪性能。然而这些研究工作都是针对单目标情形而做的，但在雷达实际监视环境中，常常会遇到多个目标同时存在的情况，此时需要同时估计出每个目标的状态，而已有的针对单目标的检测跟踪一体化方案不能有效实现对多个目标的监测与跟踪，因为随着目标个数的增加，检测过程所得到的量测点迹与目标航迹的数据关联问题变得尤为棘手；而且当多个目标邻近时，由于量测点迹来源的不确定性，将造成不同航迹之间的相互干扰，这些问题在已有的针对单目标的检测跟踪一体化方案中不能解决。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种针对多目标场景的检测跟踪一体化方法。

本发明耦合了贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪方法，构建了多个并行的贝叶斯检测器独立地对各目标进行多门限检测，将检测到的所有量测点迹输入到JPDA滤波器进行数据关联，估计各目标当前时刻的位置并预测下一时刻的位置；之后将预测的各目标位置分布信息(状态估计值)分别反馈到相应的贝叶斯检测器，贝叶斯检测器将该反馈作为先验信息用于下一时刻的检测判决。检测门限在空间上是自适应变化的，越靠近各目标跟踪波门中心(即目标的预测位置)，检测门限越低；反之则门限越高。具体包括以下步骤：

步骤1：多门限检测

1.1：初始化当前时刻k＝1，起始各目标航迹，假设目标总个数为N，k-1时刻目标n的状态估计值为估计误差自相关矩阵为P_n(k-1|k-1),n＝1,2,…,N；利用目标的运动状态方程和观测方程，可预测得到k时刻目标n的位置以及新息自相关矩阵S_n(k)，其表达式分别如下： ${\tilde{z}}_n\left(k\right|k-)=H_n{F}_n{\tilde{x}}_n(k-1|k-1),S_n\left(k\right)=H_n{F}_n{P}_n(k-1|k-1){\left(H_n{F}_n\right)}^T+H_n{Q}_n{H}_n^T+R_n,$ 其中F_n、H_n分别表示目标n的状态转移矩阵和量测矩阵，Q_n、R_n分别为目标n状态噪声自相关矩阵和量测噪声自相关矩阵(上述所涉及到的处理公式为JPDA滤波中的标准公式，具体原理过程不在详叙)。

1.2：初始化n＝1，假设目标n为Swerling I目标，信噪比为ρ_n，定义a_l(k)为k时刻第l个待检测单元的回波能量，则可构造如下两种检测假设：

H0(待检测单元无目标)：

H1(待检测单元有目标)：

依据贝叶斯准则，可得如下检测判决：具体可参考文献“Willett P,Niu R,Bar-Shalom Y.Integration of Bayes detection with targettracking[J].Signal Processing,IEEE Transactions on,2001,49(1):17-29.”。

1.3：定义第l个距离单元与目标n的实测位置z_n(k)(即z_n(k)为量测值)之间的距离为则步骤1.2中的判决式可整理为：其中参数η_n表示目标n的可调参数，记k时刻目标n的波门体积为V_n(k)，推导可得平均虚警概率为为实现恒虚警检测，令恒等于一常数P_fa0(该常数为系统要求的虚警概率即可)，可计算得到判决式中的可调参数于是得到各目标在各个时刻的检测判决式为：

即定义为目标n在当前时刻k、第l个距离单元的检测判决门限，当a_l(k)大于任一目标n的检测判决门限时，即确定第l个距离单元为时刻k目标n的量测点迹(量测点迹用符号j表示)，可待关联于目标n。

1.4：令n＝n+1,n≤N,重复上述步骤1.2-1.3，完成在k时刻、第l个距离单元处，对所有N个目标的门限检测。

1.5：令l＝l+1，重复步骤1.2-1.4，完成对k时刻整个数据平面中所有距离单元的检测。

步骤2：量测点迹与各目标互关联概率的计算

2.1:定义当前时刻k所检测到的m个量测点迹的位置为y_j表示量测点迹j的位置，则截止到k时刻的所有量测点迹表示为Y^k＝{Y(k),Y^k-1}，定义事件表示量测点迹j源于目标n_j，若n_j＝0，则表示量测点迹j源于杂波，若为(0,N]之间的整数，则量测点迹j源于目标n_j；则基于事件的联合事件表示为且若n_j＝0，则定义参数若n_j＞0，则定义参数

2.2:计算k时刻量测点迹的似然函数定义参数则有：

即如果量测点迹j来源于目标n_j(也即当时)，则其似然函数)为高斯函数，且均值为(k时刻目标n_j的预测位置)，方差为(目标n_j的新息自相关矩阵)；如果量测点迹j来源于杂波(也即当时)，则其似然函数为多个高斯函数的算数平均，参与平均的高斯函数的均值和方差分别为(目标n的预测位置)，(目标n的新息自相关矩阵的加权)，目标n指所有波门内包含量测j的目标(即ω_jn＝1))；

2.3：计算联合事件的先验概率，计算公式如下：

$P\left(\stackrel{\‾}{\mathrm{\χ}}\right|Y^{k-1})=\frac{1}{m!/\mathrm{\Φ}!}\underset{n:{\mathrm{\δ}}_n=1}{\mathrm{\Π}}{\stackrel{\‾}{P}}_D^n\underset{n:{\mathrm{\δ}}_n=0}{\mathrm{\Π}}(1-{\stackrel{\‾}{P}}_D^n)\frac{{({\mathrm{VP}}_{\mathrm{fa}0}/V_0)}^{\mathrm{\Φ}}}{\mathrm{\Φ}!}{e}^{-{\mathrm{VP}}_{\mathrm{fa}0}/V_0},$

其中 为目标n的平均检测概率，V₀为分辨单元的体积，V为所有N个目标波门的总体积，事件中虚假点迹的总个数 $\mathrm{\Φ}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}[1-{\mathrm{\τ}}_j\left(\stackrel{\‾}{\mathrm{\χ}}\right)];$

2.4：利用步骤2.2，2.3所得的结果，计算联合事件的后验概率： $P\left(\stackrel{\‾}{\mathrm{\χ}}\right|Y^k)=\frac{1}{c}p\left[Y\left(k\right)\right|\stackrel{\‾}{\mathrm{\χ}},Y^{k-1}]P\left(\stackrel{\‾}{\mathrm{\χ}}\right|Y^{k-1}),$ 其中c为归一化常数；

2.5:重复步骤2.1-2.4,计算所有可行事件的后验概率

2.6:基于2.5中的结果，计算各量测点迹与目标的互关联概率:

计算各测量点迹与各目标的互关联率其中参数且当n_j＝0时，取量测点迹j与杂波的互关联率

步骤3：联合概率数据关联(JPDA)滤波

3.1：依据步骤2所得的各量测点迹的联合关联概率，可计算得到k时刻目标n的综合新息继而利用目标的运动状态方程和观测方程，计算得到k时刻目标n的状态估计值其中 $W_n\left(k\right)=P_n\left(k\right|k-1)H_n^T{S}_n^{-1}\left(k\right)$ 为滤波器增益， $P_n\left(k\right|k-1)=F_n{P}_n(k-1|k-1)F_n^T+Q_n$ 为一步预测误差自相关矩阵。k时刻目标n的估计误差自相关矩阵

$\begin{array}{c}{P}_n\left(k\right|k)={\mathrm{\β}}_n^0{P}_n\left(k\right|k-1)+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_n^j\left(k\right)[P_n\left(k\right|k-1)-W_n\left(k\right)S_n\left(k\right)W_n{\left(k\right)}^T]\\ +W_n\left(k\right)[\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_n^j{\mathrm{\υ}}_n^j\left(k\right){\mathrm{\υ}}_n^j{\left(k\right)}^T-{\mathrm{\υ}}_n^j\left(k\right){\mathrm{\υ}}_n^j{\left(k\right)}^T)]W_n{\left(k\right)}^T\end{array}$

基于得到的各测量点迹与各目标的互关联率对当前时刻k各目标航迹进行估计，得到各目标的状态估计值(用于预测得到k+1时刻目标n的位置以及新息自相关矩阵，从而得到下一时刻的检测判决门限)，并对其航迹进行更新；

该步骤中所涉及的公式均为JPDA滤波中的标准公式，具体原理过程不在详叙。

3.2：令k＝k+1,，重复上述除步骤1.1外的所有步骤，对所有时刻的目标进行航迹进行估计和更新，并输出各目标的航迹图。

本发明的优点是：引入了从跟踪器到检测器的反馈，继而构建了多个并行的贝叶斯检测器独立地对各目标进行多门限检测；各目标的检测门限是相互独立的，在空间上自适应变化的，可以有效地减少邻近目标之间的相互干扰。因为本发明对各目标检测判决门限的改变，已有的量测点迹与目标的互关联概率的处理方式已不能适用，故对其进行了改进，主要体现在量测点迹的似然函数以及联合事件的先验概率处理上，基于本发明的方案，本发明能够应用于对邻近的多个目标的检测和跟踪，具有更高的性能和很好的实用性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明流程的框图。

图2为检测判决门限示意图。

图3为一次传统先检测后跟踪方法的检测跟踪结果。

图4为一次检测跟踪一体化方法的检测跟踪结果。

图5为传统方法与检测跟踪一体化方法的检测概率对比图。

图6为传统方法与检测跟踪一体化方法的成功跟踪概率对比图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

实施例1

场景中有两个邻近目标且航迹已经起始，目标1起点为(12m,11m)，初始速度(1.5m/s,1.5m/s)；目标2起点为(11m,12m)，初始速度(1.5m/s,1.5m/s)；观测间隔t＝5s，观测总帧数为30帧，过程噪声σ_P＝0.025，量测噪声σ_m＝10，两目标信噪比相同SNR＝10dB。结合图1，基于本发明的多目标检测和跟踪方法如下：

步骤a:起始各目标航迹，得到两目标的初始位置估计值及估计误差自相关矩阵P₁(0|0)，P₂(0|0)；初始化当前时刻k为1。

步骤b：计算k时刻两目标的位置预测值及新息自相关矩阵S₁(k),S₂(k)。

步骤c：参见图2，计算k时刻待检测距离单元l处两目标的检测判决门限并对两目标独立进行检测判决。如待检测距离单元l处的回波能量超过某目标的检测判决门限，则记录距离单元l的位置信息，并将其作为量测点迹。如图1中所示，令T＝a_l(k)，分别将T与目标1的检测判决门限(图中用“目标1门限”描述)，目标2的检测判决门限(图中用“目标2门限”描述)进行大小判断，超过目标1门限，则记录为目标1的量测点迹，超过目标2的门限，则记录为目标2的量测点迹，若同时超过目标1、2的门限，则记录为目标1、2的量测点迹。

步骤d:令l＝l+1，重复步骤c，完成对k时刻整个数据平面中所有距离单元的检测。

步骤e:利用JPDA滤波器，对步骤b-c中所有检测到的量测点迹进行联合概率数据关联，得到k时刻两目标的状态估计值并预测k+1时刻两目标的位置及k+1时刻的两目标的新息自相关矩阵S₁(k+1),S₂(k+1)。

步骤f：令k＝k+1，将S₁(k+1),S₂(k+1)代入步骤c，d，e中，得到所有时刻各目标的位置，最终输出各目标的航迹图。

图3给出了一次传统先检测后跟踪方法的检测跟踪结果，由于两目标为临近目标，图中可见两目标的相互干扰现象严重；图4给出了在相同条件下，利用本发明所提出的检测跟踪一体化方法的检测跟踪结果，图中可见本发明有效减少了相互干扰现象。

最后通过改变两目标的信噪比，依次取SNR＝0dB，2dB，4dB，6dB，8dB,10dB，12dB，15dB，20dB，25dB，30dB，并重复以上步骤，进行5000次蒙特卡洛仿真实验，得到了两种方法检测和跟踪性能的对比图。从图5中可见本发明有效提高了检测概率，图6中可见本发明有效的提高了成功跟踪概率。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (1)

1.一种针对多目标场景的检测跟踪一体化方法，其特征在于，包括下列步骤：

步骤1：初始化各目标航迹；

步骤2：基于上一时刻的各目标的状态估计值，预测当前时刻k各目标的位置新信息相关矩阵S_n(k)，其中n＝1,2,…,N，N表示目标总个数；

步骤3：基于公式确定各目标在当前时刻k的检测判决门限其中ρ_n表示目标n的信噪比，为向量的转置向量，表示待检测距离单元l与目标n在当前时刻k的实测位置之间的距离，η_n表示目标n的可调参数，且其中P_fa0表示雷达系统的虚警概率，V_n(k)表示目标n在当前时刻k的波门体积；

步骤4：将各待检测距离单元的回波能量分别与各目标对应的检测判决门限进行比较，若超过，则将该待检测距离单元确定为当前时刻k目标n的量测点迹；

步骤5：获取当前时刻k的各量测点迹与各目标的互关联概率：

步骤5-1：定义当前时刻k所检测到的m个量测点迹的位置为y_j表示量测点迹j的位置，则截止到k时刻的所有量测点迹表示为Y^k＝{Y(k),Y^k-1}，定义事件表示量测点迹j源于目标n_j，若n_j＝0，则表示量测点迹j源于杂波，若为(0,N]之间的整数，则量测点迹j源于目标n_j；则基于事件的联合事件表示为且若n_j＝0，则定义参数若n_j＞0，则定义参数

根据公式p[Y(k)计算k时刻量测点迹的似然函数其中

函数表示边缘概率，当量测点迹j在目标n的波门之内时，参数w_jn取值为1；否则参数w_jn的取值为0；表示k时刻目标n_j的预测位置，表示目标n_j的新息自相关矩阵；

步骤5-2：基于公式

$P\left(\stackrel{\‾}{\mathrm{\χ}}\right|Y^{k-1})=\frac{1}{m!/\mathrm{\Φ}!}\underset{n:{\mathrm{\δ}}_n=1}{\mathrm{\Π}}{\stackrel{\‾}{P}}_D^n\underset{n:{\mathrm{\δ}}_n=0}{\mathrm{\Π}}(1-{\stackrel{\‾}{P}}_D^n)\frac{{({\mathrm{VP}}_{\mathrm{fa}0}/V_0)}^{\mathrm{\Φ}}}{\mathrm{\Φ}!}{e}^{-{\mathrm{VP}}_{\mathrm{fa}0}/V_0}$

计算联合事件的先验概率其中参数 为目标n的平均检测概率，V₀为分辨单元的体积，V为所有N个目标波门的总体积，Φ表示事件中虚假点迹的总个数，且

步骤5-3：基于似然函数先验概率获得联合事件的后验概率

步骤5-4：根据公式计算各测量点迹与各目标的互关联率其中参数且当量测点迹j源于杂波时，取量测点迹j与杂波的互关联率

步骤6：基于各测量点迹与各目标的互关联率对当前时刻k各目标航迹进行估计，得到各目标的状态估计值，并对其航迹进行更新；

步骤7：对下一时刻的各目标重复步骤2～6，对所有时刻的目标航迹进行估计和更新，并输出各目标的航迹图。